← 返回洞察Deloitte 报告：74% 企业计划部署 Agentic AI，
2026 年 7 月 · 8 分钟阅读 · 研究
Deloitte 报告：74% 企业计划部署 Agentic AI，
仅 21% 建立了治理机制
Deloitte 2026 年企业 AI 状态报告揭示了企业人工智能采用中一个令人不安的悖论：企业正在以前所未有的速度拥抱 AI 和自主 Agent，但治理机制的成熟度却严重滞后。报告对全球 2,800 余名高管和 AI 领导者进行了调研，得出了一个核心发现——感知与绩效之间存在巨大的治理鸿沟。
关键定义
Agentic AI 能够自主感知环境、制定决策并执行行动的AI系统。Deloitte报告显示74%的组织计划在未来两年内采用Agentic AI解决方案，但只有21%拥有成熟的AI Agent治理模型。
AI 治理鸿沟 企业AI采用速度与治理机制成熟度之间的差距。88%的高管将AI视为竞争优势，仅4%实现可重复、可扩展的AI商业价值，仅8%拥有全面的AI治理框架。
74% 计划部署 Agentic AI，治理远远落后
Agentic AI——能够自主感知环境、制定决策并执行行动的 AI 系统——正在成为企业 AI 战略的下一个前沿。报告显示，74% 的组织计划在未来两年内采用 Agentic AI 解决方案。这一数字反映出企业对于自动化复杂工作流、减少人工干预、实现端到端流程自动化的强烈需求。
然而，只有 21% 的组织拥有成熟的 AI Agent 治理模型。这巨大的差距意味着，绝大多数即将部署 Agentic AI 的企业尚未建立起必要的治理基础——包括 Agent 行为监控、权限管控、异常检测、以及运行时干预等关键能力。当自主 Agent 在没有充分治理框架的情况下上线，企业面临的不只是效率提升，更是失控风险。
88% 视 AI 为竞争优势，仅 4% 实现可扩展价值
报告中最引人注目的数据之一，是感知与绩效之间的巨大鸿沟。88% 的高管将 AI 视为企业的竞争优势——这一比例几乎涵盖了所有受访者。但在实际执行层面，只有 4% 的组织实现了可重复、可扩展的 AI 商业价值。
这意味着 84% 的企业处于一种"AI 承诺困境"之中——他们相信 AI 能带来竞争优势，但尚未找到将这一信念转化为可重复、可规模化成果的方法。这些企业往往陷入试点项目的泥潭，无法将 AI 从实验阶段推向生产级部署，或者在不同部门之间产生了孤立的 AI 能力，缺乏统一的战略协调。
报告指出，实现 AI 规模化的企业通常具备三个特征：将 AI 嵌入核心业务流程而非作为附加功能、建立了集中的 AI 治理和运营团队、以及拥有明确的 AI 投资回报指标和追踪机制。
治理框架全面缺失：仅 8% 拥有全面的 AI 治理
在 AI 治理方面，报告的数据令人警醒。仅有 8% 的组织表示他们拥有全面的 AI 治理框架，覆盖从模型开发、部署、监控到退役的全生命周期管理。大多数企业仍然在分散的、非结构化的方式下管理 AI 风险。
治理缺失的具体表现包括：缺乏清晰的 AI 使用政策和道德准则、没有建立 AI 风险管理委员会或类似治理机构、AI 模型的测试和验证流程不透明或不一致、以及缺乏对第三方 AI 组件和供应商的评估机制。
对于正在采用 Agentic AI 的企业，治理的缺失尤为危险。与传统的预测式 AI 模型不同，AI Agent 具有自主行动能力，可以在无人干预的情况下做出具有实际业务后果的决策。一个缺乏治理框架的 AI Agent 可能造成从数据泄露到错误决策的连锁反应，而组织甚至缺乏检测和阻止这些行为的工具。
自主系统放大数据和网络安全治理需求
Deloitte 的报告特别强调了自主 AI 系统对数据和网络安全治理带来的新挑战。当 AI Agent 能够自主访问数据库、API 和文件系统时，传统的数据安全模型——基于静态权限和人类审批流程——已经不再适用。
报告指出，自主系统的治理需要在几个关键维度上进行重构：数据访问治理——Agent 应遵循最小权限原则，只能访问完成任务所需的数据；身份与访问管理——每个 Agent 需要独特的数字身份，其权限应具有目的绑定和时间限制；实时监控与阻断——安全团队需要在 Agent 行为异常时具备即时终止能力；以及审计与取证——所有 Agent 操作需要被完整记录，以便在安全事件发生后进行追溯分析。
这些需求与 OOMeta 倡导的"数据层治理"理念高度一致——AI Agent 的安全不是运行时的护栏问题，而是数据访问架构的设计问题。
新兴角色涌现：AI 运营经理与人机交互专家
报告还揭示了 AI 采用对组织结构和人才需求的影响。随着企业从实验性 AI 部署转向生产级规模化运营，新的专业角色正在涌现。
AI 运营经理（AI Ops Manager）——负责管理 AI 系统的日常运营，包括模型性能监控、资源优化、成本管理以及与业务团队的协调。这一角色类似于 DevOps 时代的 SRE，但专注于 AI 系统的特殊性。
人机交互专家（Human-AI Interaction Specialist）——负责设计和优化人类与 AI 系统的协作界面。随着 AI Agent 越来越多地嵌入工作流程，如何确保人类能够有效监督、干预和修正 AI 的行为成为一个关键问题。人机交互专家需要设计"人在环中"的工作流程，确保人类保持对关键决策的控制权。
这些新兴角色的出现意味着企业需要重新思考其人才战略和团队结构。AI 不仅仅是技术问题，更是组织设计问题。
缩小治理鸿沟：从认识到行动
Deloitte 报告的核心信息是：感知与绩效之间的鸿沟必须被缩小。企业对 AI 的信念是真诚的，但仅靠信念不足以实现价值。治理不是阻碍 AI 采用的因素，而是释放 AI 规模价值的前提条件。
对于正在规划 Agentic AI 部署的企业，Deloitte 报告提供了明确的路线图：在部署 Agent 之前，先建立治理框架；在授予 Agent 数据访问权限之前，先实施最小权限策略；在期待 AI 带来竞争优势之前，先建立衡量和追踪 AI 价值的机制。
常见问题
Deloitte 2026 年报告揭示了企业 AI 采用的什么悖论？+
企业正以前所未有的速度拥抱AI和自主Agent，但治理机制成熟度严重滞后。74%的组织计划在未来两年内采用Agentic AI，但只有21%拥有成熟的AI Agent治理模型。感知与绩效之间存在巨大的治理鸿沟。
为什么 88% 视 AI 为竞争优势但仅 4% 实现可扩展价值？+
84%的企业处于"AI承诺困境"——相信AI能带来竞争优势但尚未找到将信念转化为可重复成果的方法。实现AI规模化的企业通常具备三个特征：将AI嵌入核心业务流程、建立集中的AI治理和运营团队、拥有明确的AI投资回报指标。
企业 AI 治理框架缺失的具体表现有哪些？+
仅8%的组织拥有全面的AI治理框架。具体表现包括：缺乏清晰的AI使用政策和道德准则、没有建立AI风险管理委员会、AI模型测试和验证流程不透明或不一致、以及缺乏对第三方AI组件和供应商的评估机制。
自主 AI 系统对数据安全治理带来哪些新挑战？+
当AI Agent能自主访问数据库、API和文件系统时，基于静态权限和人类审批的传统数据安全模型不再适用。需要在数据访问治理（最小权限）、身份与访问管理（目的绑定和时间限制）、实时监控与阻断、审计与取证等维度进行重构。
哪些新兴角色正随着 AI 规模化运营而涌现？+
AI运营经理——负责AI系统日常运营，包括模型性能监控、资源优化、成本管理，类似DevOps时代的SRE。人机交互专家——设计人类与AI协作界面，确保人类能有效监督、干预和修正AI行为，设计"人在环中"的工作流程。
相关文章
OpenAI 承认 Astra 思维链更难监控：审计证据必须从模型推理搬到动作边界
OpenAI 在 Astra 系统卡中首次承认：模型对自身思维链的控制力增强，链式思维监控的可信度下降，隐蔽作弊可能无法被发现。三天后首席科学家 Pachocki 撰文称没有任何实验室已解决对齐与监控。当被审计的实体能控制审计所读取的推理，审计就不再是独立证据。
知道坏了，不知道是谁干的：七成企业无法定位肇事 Agent
Kore.ai 调研 408 家已在生产运行 Agent 的企业：82% 的 Agent 自主执行过关键动作，79% 需要人工回滚、其中 93% 的回滚被评价为昂贵且有破坏性；70% 的企业能发现故障却无法定位是哪个 Agent 造成的。可观测性≠可归因，没有身份绑定的动作证据，遏制、回滚与问责都无从谈起。
97% 在用，12% 在管——你的 AI Agent 治理缺口有多大？
97% 的企业在运行 AI Agent，但只有 12% 有集中管控，82% 的组织存在安全团队不知道的 Agent——三个独立研究机构交叉验证的事实。治理缺口比云迁移时期更大，本文提供治理成熟度自测与经济代价分析。
Ping 给个人 AI Agent 上了把锁：Claude Code 不再裸奔
Ping 发布 Enterprise Personal Agent Access：发现个人 AI Agent（含影子 AI）、无凭据 JIT 临时授权、运行时管控，Claude Code 的每次 commit 归属到具体员工而非工具。个人 agent 治理从『发现』进入『运行时授权』。
OOMeta 的 AI Agent 治理平台
OOMeta 帮助企业跨越 AI 治理鸿沟——从 Agent 权限建模、目的绑定策略引擎到实时行为监控和自动权限回收。我们的平台确保每个 AI Agent 在其授权范围内运行，并提供完整的治理审计追踪，帮助企业从 4% 的规模化俱乐部走向可重复的 AI 价值实现。